[发明专利]一种基于变异粒子群的云计算资源态势预测方法及系统

权利要求书

1.一种基于变异粒子群的云计算资源态势预测方法，其特征在于，包括：

基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化；

对初始化后的所述粒子群进行迭代优化，得到全局最优解；

将全局最优解对应的最优参数赋值给初始化后的所述神经网络模型；

对赋值后的所述神经网络模型迭代训练，得到训练好的所述神经网络模型；

基于训练好的所述神经网络模型对云计算资源的态势进行预测。

2.根据权利要求1所述的云计算资源态势预测方法，其特征在于，所述基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化，包括：

基于所述粒子群的特性对所述粒子群的数量、惯性权重、学习参数和最大迭代次数进行初始化；

采用随机数对所述粒子群的全局最优位置、个体最优位置和个体最优速度进行初始化；

基于云计算资源数据对神经网络模型进行初始化。

3.根据权利要求1所述的云计算资源态势预测方法，其特征在于，所述对初始化后的所述粒子群进行迭代优化，得到全局最优解，包括：

对所述粒子群进行迭代优化，并获取当前迭代的惯性权重，进一步得到当前迭代的粒子速度；

基于当前迭代的所述粒子速度更新当前迭代的粒子位置；

基于当前迭代的所述粒子位置得到当前迭代的适应度值；

判断当前迭代的次数是否达到最大迭代次数，若没有达到，则继续迭代优化，若达到，则选取最优的所述适应度值为所述全局最优解，输出最优的所述适应度值对应的所述粒子位置。

4.根据权利要求1所述的云计算资源态势预测方法，其特征在于，所述对赋值后的所述神经网络模型迭代训练，得到训练好的所述神经网络模型，包括：

基于训练数据集对赋值后的所述神经网络模型迭代训练；将训练数据集输入赋值后的所述神经网络模型，计算所述训练数据集与样本的欧氏距离；

基于径向基函数对所述欧氏距离进行非线性变换，得到非线性数据集；

对所述非线性数据集和权重系数集进行相乘得到输出数据集；

判断当前迭代次数是否达到最大迭代次数，若达到，则得到训练好的所述神经网络模型，若没有达到，则继续进行迭代训练，直至达到最大迭代次数。

5.一种基于变异粒子群的云计算资源态势预测系统，其特征在于，包括：

初始化模块，基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化；

优化模块，对初始化后的所述粒子群进行迭代优化，得到全局最优解；

赋值模块，将全局最优解对应的最优参数赋值给初始化后的所述神经网络模型；

训练模块，对赋值后的所述神经网络模型迭代训练，得到训练好的所述神经网络模型；

预测模块，基于训练好的所述神经网络模型对云计算资源的态势进行预测。

6.根据权利要求5所述的云计算资源态势预测系统，其特征在于，所述初始化模块包括：

第一初始化单元，基于所述粒子群的特性对所述粒子群的数量、惯性权重、学习参数和最大迭代次数进行初始化；

第二初始化单元，采用随机数对所述粒子群的全局最优位置、个体最优位置和个体最优速度进行初始化；

第三初始化单元，基于云计算资源数据对神经网络模型进行初始化。

7.根据权利要求5所述的云计算资源态势预测系统，其特征在于，所述优化模块包括：

迭代计算单元，对所述粒子群进行迭代优化，并获取当前迭代的惯性权重，进一步得到当前迭代的粒子速度；

粒子位置单元，基于当前迭代的所述粒子速度更新当前迭代的粒子位置；

粒子适应度单元，基于当前迭代的所述粒子位置得到当前迭代的适应度值；

第一判断单元，判断当前迭代的次数是否达到最大迭代次数，若没有达到，则返回至所述迭代计算单元，若达到，则选取最优的所述适应度值为所述全局最优解，输出最优的所述适应度值对应的所述粒子位置。

8.根据权利要求5所述的云计算资源态势预测系统，其特征在于，所述训练模块包括：

迭代训练单元，基于训练数据集对赋值后的所述神经网络模型迭代训练；将训练数据集输入赋值后的所述神经网络模型，计算所述训练数据集与样本的欧氏距离；

非线性单元，基于径向基函数对所述欧氏距离进行非线性变换，得到非线性数据集；

输出单元，对所述非线性数据集和权重系数集进行相乘得到输出数据集；

第二判断单元，判断当前迭代次数是否达到最大迭代次数，若达到，则得到训练好的所述神经网络模型，若没有达到，则返回至所述迭代训练单元。